Scribe v2

Scribe v2 är ElevenLabs modell för transkribering av inspelat ljud, släppt den 9 januari 2026. Den är gjord för stora mängder ljud, textning och undertexter och ska enligt ElevenLabs vara stabilare och mer träffsäker än Scribe v1, särskilt i långa inspelningar med pauser, tonfallsskiften och långa tystnader. Två månader tidigare, den 11 november 2025, kom systermodellen Scribe v2 Realtime, som transkriberar live på cirka 150 millisekunder och är tänkt för röstagenter, mötesassistenter och direkttextning.

Med nyckelordsstyrning kan man ge modellen en lista med ord och fraser (vid lanseringen upp till 100, enligt den nuvarande dokumentationen upp till 1 000) som den använder när sammanhanget passar, till exempel varumärken och fackord. Modellen kan också hitta känsliga uppgifter som personuppgifter, hälsodata och betalningsuppgifter och ange exakt var i ljudet de förekommer, så att de kan granskas eller maskeras; dokumentationen anger nu 65 sådana kategorier. Ljud med flera språk transkriberas automatiskt utan att man behöver dela upp det.

Scribe v2 har dessutom talaridentifiering för upp till 32 talare, tidsstämplar för varje ord, märkning av ljud som inte är tal (till exempel skratt eller fotsteg) och möjlighet att redigera utskriften med vanliga instruktioner. Den används i ElevenLabs Studio och via API:t (scribe_v2). ElevenLabs har också en variant för vårdljud, Scribe v2 Medical, som enligt företaget gör 35 % färre fel på kliniskt ljud.

ElevenLabs påstår att Scribe v2 har den lägsta ordfelsfrekvensen som uppmätts på vanliga branschtester. På Artificial Analysis topplista över ordfel låg den i oktober 2026 på fjärde plats.